1 · Fundamentos de recomendación
Qué hace un recomendador, la matriz de valoraciones usuario-ítem, feedback explícito vs implícito, y los dos problemas que definen el campo: dispersión y cold-start.
●Track 13 · En vivo
Sistemas de recomendación
Cómo Netflix, Spotify y Amazon deciden qué sigue — CF, factorización de matrices, ranking.
El motor detrás de cada feed de 'recomendado para ti': filtrado basado en contenido, filtrado colaborativo basado en memoria (usuario-usuario / ítem-ítem), factorización de matrices (SVD, ALS/SGD, feedback implícito), evaluación de ranking (precision@k, MAP, NDCG) y los objetivos más allá de la precisión (diversidad, cobertura, cold-start). Cada algoritmo se construye desde cero en NumPy / scikit-learn y corre en tu navegador con Pyodide.
17 / 17 lecciones6 capítulos
2 · Filtrado basado en contenido
Recomienda por características del ítem: construye perfiles de ítems, pondéralos con TF-IDF y emparéjalos con el gusto del usuario por similitud coseno.
3 · Filtrado colaborativo (basado en memoria)
'A usuarios como tú también les gustó…': vecindarios usuario-usuario e ítem-ítem, las métricas de similitud que los impulsan y la predicción de valoraciones.
4 · Factorización de matrices
El avance que ganó el Netflix Prize: factores latentes, SVD truncada y aprender factores con ALS / SGD.
5 · Evaluación y ranking
Los recomendadores son problemas de ranking: divisiones sin fugas, métricas top-k (precision@k, recall@k, MAP, NDCG) y los objetivos más allá de la precisión.
6 · Recomendadores modernos y capstone
Feedback implícito y la pérdida de ranking BPR, recomendadores híbridos y sensibles al contexto, y un capstone de recomendador completo de principio a fin.